多窗口谱图分析的低截获概率雷达信号识别

在当前复杂的战场环境中,低截获概率雷达信号因其具有大时宽带宽积、强干扰性能、高分辨率和低截获性特点得到了广泛应用,传统的雷达侦察手段很难对其进行有效识别.在低截获概率雷达典型调制分析的基础之上,研究基于人工智能的雷达信号分类识别方法.从低截获概率雷达信号时频特征入手,提出基于多窗口时频谱图分析方法.该算法采用Hermi...     

基于稳健统计特征的飞机识别方法

本文介绍了基于统计特征(StaF)的分类器,它是一种稳健的、用于高距离分辨率(HRR)雷达的飞机识别(ID)方法。在对特征的数量或位置不作先验假定的情况下,我们实时地选择HRR图像的峰值特征。特征提取依靠所观测到图像的信息内容,把特征的数量、位置和幅度作为随机变量。本项研究的主要目的是,通过把对未知目标的识别错误减少到最小,同时维持对已知目标的高识别率的方法来增强分类器的稳健性。结果表明,这种StaF分类器能够显著地减少与未知目标有关的识别错误,同时维持高概率的正确分类。     

使用低分辨率雷达和社会网络进行舰船目标识别

本文研究使用低分辨率下靶区雷达包络线,预处理和神经网络工具进行舰船目标分类的方法。     

一个IRST与雷达数据融合的实例

本文介绍了一个军事领域的数据融合实例,它充分说明了IRDT与雷达的数据融合的优点。通过该仿真实例,进一步说明了数据融合在目标识别、航迹跟踪、威胁判断等方面具有良好的应用前景。     

中子弹核爆炸识别与当量测定原理和方法研究

从核爆炸效应的不同角度对中子弹核爆效应现象学进行了综合研究,得出了较全面系统的结果;同时,在对中子弹核爆炸效应进行分析的基础上,提取了一系列效应特征量,并推荐使用了优化特征量;利用多层神经网络系统,进行了中子弹核爆炸弹型识别的计算机仿真研究,得到了较理想的识别率;最后给出具有中子弹核爆炸识别、当量确定功能的核爆炸监测系统的原理与工作序列。     

基于深度学习的高超声速飞行器运动行为识别

高超声速飞行器具有机动大、速度高、航程远、威胁强等特点,已成为各大国重点发展的武器装备,识别其运动行为能为防御和拦截提供有力的技术支持。本文对有禁飞区等复杂约束条件下的高超声速飞行器运动行为识别问题开展研究：首先通过分析高超声速飞行器的运动特点,建立能够充分描述其行为模式的参数化运动方程;然后基于优化思想求解有禁飞区等复杂约束条件下的航迹规划问题,构建其数据集;最后基于深度学习方法设计高超声速飞行器运动行为识别算法。试验结果表明：所设计的识别算法能够实现对高超声速飞行器运动行为的识别,且具有一定的泛化能力,可为后续防御决策提供一定的参考。     

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明：ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。     

充分发展湍流管道内壁边界的红外定量识别

基于导热的管道内壁边界识别已发展成熟,但更贴合实际的湍流管道内壁边界的定量识别尚未见报道。通过关联COMSOL和MATLAB,利用有限元方法和Levenberg-Marquardt算法对二维轴对称充分发展的湍流管道内壁边界形状的稳态识别进行研究。数值实验证明了本方法的有效性。结果表明,在含内壁缺陷的湍流管道中,外壁最大温差和由缺陷引起的绝对温差并不是同步增加的;在进行内壁边界反问题识别时,由于绝对温差中负增长的出现,绝对温差越大,识别结果未必越好;识别精度在不规则内壁终点处略微变差。     

基于改进DS理论多周期数据融合的目标识别方法

为了应对复杂战场环境下信息不确定性及证据冲突造成目标识别困难的问题,解决配准关联错误及应答欺骗产生的误识别问题,减小融合算法对先验数据的依赖,提出了一种基于改进DS证据理论的多周期多传感器数据融合方法以实现高效的战场目标识别。方法采用4个层级,两个方面的多传感器数据融合结构,在改进DS证据理论处理性能的同时,充分利用多个周期识别结果的融合实现最终目标识别。仿真结果表明,该方法在提高目标识别准确性的同时,能够有效解决目标密集和应答欺骗造成的目标误识别问题。